cuda12 cudnn9 tensorflow 显卡加速

在WSL Ubuntu中部署CUDAToolkit cuDNN tensorflow显卡加速

软件	版本
ubuntu	24.04
cuda-tookit	12.9
cudnn	9.15.0
tensorflow	2.20.0

在WSLUbuntu中部署Python3.12、CUDAToolkit和cuDNN的官方下载页面及步骤如下：

mkdir ~/cuda ~/cudnn

1.安装WindowsGPU驱动（WSL专用）

WSL2的GPU加速依赖Windows驱动，需下载NVIDIAWSL2专用驱动。

官方下载页面：NVIDIACUDAonWSLDownloads

选择适合你显卡型号的驱动版本，下载后直接在Windows中安装。

注意：安装驱动后需重启Windows，并确保WSL已升级到版本2。

2.安装CUDAToolkit（WSL专用）

NVIDIA提供针对WSL的CUDAToolkit安装包。

官方下载页面：CUDAToolkit13forWSL

选择以下命令下载并安装：

注意：

英文官网上命令：sudo apt-get -y install cuda-toolkit-13-0

中文官网上命令：sudo apt-get -y install cuda-toolkit-12-4但不可用

cuda-toolkit12推荐命令：sudo apt-get -y install cuda-toolkit-12-9
由于 tensorflow 目前 还没有支持cuda13，因此 本案例安装的是cuda12

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb -P ~/cuda
sudo dpkg -i ~/cuda/cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-toolkit-12-9

安装完成后，配置环境变量：

echo 'export PATH=/usr/local/cuda-12/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

验证安装：

nvcc --version

3.安装cuDNN

cuDNN需与CUDAToolkit版本匹配，不推荐当独安装，在安装tensorflow的时候会自动安装匹配的版本。
-官方下载页面：
NVIDIAcuDNNDownload
下载后执行以下命令安装：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb -P ~/cudnn
sudo dpkg -i ~/cudnn/cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cudnn-jit

-验证cudnn

ldconfig -p | grep libcudnn

4.安装Python3.12和PyTorch

• 安装Python3.12相关工具（WSLUbuntu中默认可能未预装）：

  sudo apt update
  sudo ap -y install python3 python3-pip python3.12-venv
  

• 创建虚拟环境

  mkdir tensorflow-code && cd tensorflow-code
  python3 -m venv .venv
  source .venv/bin/activate
  python -m pip install --upgrade pip setuptools -i https://pypi.tuna.tsinghua.edu.cn/simple
  

• 安装tensorflow：
  可通过官方 nightly 版本安装，命令示例：

  pip install tensorflow[and-cuda] -i https://pypi.tuna.tsinghua.edu.cn/simple
  

• 验证tensorflow可调用CUDA和cuDNN：

  import tensorflow as tf# 验证 CUDA 可用性
  print("CUDA 可用:", tf.config.list_physical_devices('GPU'))# 验证 cuDNN 可用性
  # 获取 TensorFlow 编译时的依赖信息
  build_info = tf.sysconfig.get_build_info()
  print("cuDNN 版本（TensorFlow 编译时使用）:", build_info['cudnn_version'])# 测试 GPU 运算
  if tf.config.list_physical_devices('GPU'):with tf.device('/GPU:0'):a = tf.constant([1.0, 2.0, 3.0])b = tf.constant([4.0, 5.0, 6.0])c = a + bprint("GPU 运算结果:", c.numpy())
  else:print("未检测到 GPU 支持，请检查安装")

  
  

通过以上步骤，可在WSLUbuntu中完成Python3.12、CUDAToolkit和cuDNN的部署，并验证GPU加速功能。